电网故障诊断方法研究综述

电网故障诊断方法研究综述

何正友12，张耀天1

，

(1.西南交通大学电气工程学院，四川省成都市610031

2. 电力系统保护与动态安全监控教育部重点实验室（华北电力大学），北京市昌平区102206)

摘

要：首先,针对电网故障诊断中应用较早的人工智能方

法：专家系统、人工神经网络、Petri网、模糊理论及优化方法，简要概括了它们所存在的问题，并对近几年的研究进展进行了文献评述。然后,对近几年引入电网故障诊断领域的方法：粗糙集理论、贝叶斯网络、数据挖掘，信息理论、多代理系统等，进行概念简介、文献述评，分析它们在电网故障诊断中应用的特点以及存在的主要问题。

关键词：电网；故障诊断；专家系统；人工神经网络；模糊理论；优化方法；Petri网；粗糙集；贝叶斯；数据挖掘；信息理论；多代理系统

0引言

电网故障诊断是指在调度中心进行的系统级

故障诊断，它是对各级各类保护装置、断路器的动作信息以及电压电流等电气量的测量信息进行分析, 根据保护动作的逻辑和运行人员的经验来推断可能的故障位置和故障类型，为调度员的决策提供相关的判据。当电网发生故障时，准确、快速、自动的故障诊断对迅速恢复电网供电具有重要意义。

由于人工智能技术善于模拟人类处理问题的过程, 容易计及人的经验以及具有一定的学习能力等特点在这一领域得到了广泛的应用，如专家系统(ExpertSystem) 、人工神经网络(ArtificialNeural Network ) 、Petri 网络(PetriNet) 、模糊理论(Fuzzy Theory) 及优化方法(OptimizationMethod), 此外近几年也出现了粗糙集(RoughSet) 理论、贝叶斯网络（Bayesian Networks ）、数据挖掘（Dada Mining ）、信息理论(InformationTheory) 及多代理系统（Multi Agent System ）等技术在电网故障诊断中的应用，本文简要介绍这些方法的基本概念，并对文献中提出的相应方法进行述评，分析它们在电网故障诊断中应用的特点以及存在的主要问题。

1应用较早的人工智能方法在近几年中的研究进展

文献[1、2、3]已经对应用较早的电网故障诊断方法，如专家系统、人工神经网络、Petri 网络、模糊理论及优化方法，进行了综述，并提出了这些方

1

基金金项目：四川省杰出青年基金项目（No.06ZQ026-012）

法在电网故障诊断应用中存在的问题，本文对这些方法在近几年中的研究进展，进行了文献综述。1.1专家系统

专家系统(ExpertSystem ES) 是一个具有大量专业知识与经验的程序系统, 它根据某个领域的专家提供的知识和经验进行推理和判断, 模拟专家的决策过程, 以解决那些需要专家决策的复杂问题。

ES 的优点有：电网中保护的动作逻辑以及保护与断路器之间的关系易于用直观的、模块化的规则表示出来；允许增加、删除或修改一些规则, 以确保诊断系统的实时性和有效性; 能够给出符合人类语言习惯的结论并具有相应的解释能力等。

但是ES 也具有许多缺点，针对这些缺点，近几年学者们提出了一些有效的解决方法：（1）针对ES 知识库构建困难和学习能力差，文献[4]提出基于事例(CBR)和基于规则(RBR)混合推理的专家系统，使用中可不断地增加新事例以提高系统判断复杂故障的能力。（2）针对ES 容错性差，文献[5、6]提出了FT 和ES 相结合的方法，文献[7]提出了BPNN 和ES 相结合的方法，文献[8]提出了RS 和ES 相结合的方法，来提高单独用ES 时容错性差的缺点。（3）针对电网规模较大时，ES 规则匹配方法的诊断速度较慢的缺点，文献[9]介绍了一种Petri 网与ES 相结合的方法，这种方法克服了ES 难于用数学方法描述的缺点, 利用Petri 网建立数学模型，提高了故障诊断速度。1.2人工神经网络

人工神经网络(ArtificialNeural Network, 缩写为ANN ) 是从领域专家所提供大量和充分的故障实例中, 形成用于故障诊断NN 模型的训练样本集, 通过一定的学习、训练使诊断NN 获得对电网故障的诊断功能，并具有一定的联想和泛化能力。

ANN 方法的优点有：它避免了ES 所面临的知识库构造等难题, 且推理速度与规模大小无明显的关系；通过样本训练，可以实现知识的自组织、自学习, 并具有一定的泛化能力；具有一定的容错能力；各个神经元之间的计算具有相对独立性, 便于

并行处理, 因此诊断速度较快。

近几年基于ANN 的研究主要是针对其缺点的改进：（1）针对NN 学习算法收敛的速度一般比较慢的缺点，文献[10-12]采用的RBFNN 比BPNN 有更好的收敛速度。文献[13]采用的广义回归神经网络(GRNN)的学习速度远快于改进BPNN 。（2）针对NN 不适合大电网故障诊断的缺点，文献[10、11]提出了一种基于最小度排序的图形分割方法将大电网分区, 然后用RBFNN 完成各子网络的故障诊断。（3）针对NN 在电网拓扑结构发生变化时，需要增加新的样本重新学习，可维护性较差的缺点，文献[12]提出了RBFNN 的局部重新训练新算法，可以提高NN 重新学习的效率。文献[13]采用GRNN 方法，只需相应对训练样本矩阵进行修改并自动重构和训练GRNN 即可。（4）针对RBF NN 的知识存储和诊断过程是一个黑箱，对运行人员不透明，解释能力差的缺点，文献[12]提出了基于RBFNN 网络与等值模糊系统相结合的故障诊断方法，推导并建立了RBFNN 和模糊控制系统之间的等值关系，使得蕴含在RBFNN 权重中的知识转变为等值模糊控制系统中用语言表述的规则，使诊断知识易于理解，诊断过程透明。1.3Petri 网

Petri 网(Petrinet) 是一个加权有向网络，它以描述电网中断路器、保护、电网元件之间的关系为基础, 用网络来表示各级、各类保护反应于故障，它不仅可以用图形直观地表示出来, 而且可以用矩阵运算来描述。基于Petri 网的电网故障诊断模型的关键在于设计一个合理的Petri 网结构及相应的推理规则，而这正是诊断问题的难点所在，而后续的搜索处理过程是次要的。

基于Petri 网的电网故障诊断暴露出了以下一些问题：（1）针对现场普遍存在的保护、断路器误动拒动及由于通信线路故障引起的故障信息畸变，如何提高容错能力。（2）针对对大规模电网的保护装置的多重性配置及多重故障等，如何提高故障诊断性能。（3）如何处理电网拓扑的改变。近几年的研究主要是将Petri 网跟其他方法相结合来解决上述问题。

文献[14]将编码原理与Petri 网相结合建立冗余嵌入Petri 网，具有容错性高、计算简便、实时性好、诊断速度快、精度高等优点，可以有效提高电网故障诊断的性能。文献[15]提出了基于故障群组合优化的Petri 网故障诊断方法，提高了系统的容错性。文献[16]将Petri 网跟FT 相结合，给出了电网故障

2

诊断的模糊Petri 网模型。文献[17]提出了一种改进的Petri 网故障诊断模型，适用于多重故障和大型电网故障诊断。文献[18]提出了一种基于Petri 网和概率信息的电力系统故障诊断方法，容错性好，诊断速度快、精度高。1.4模糊理论

模糊理论(FuzzyTheory FT) 将经典集合理论模糊化, 并引入语言变量和近似推理的模糊逻辑, 具有完整的推理体系的智能技术。一般的基于FT 的故障诊断系统采用跟ES 类似的结构，是FT 与ES 的结合。它在一定程度上解决了ES 处理不确定信息的能力，提高了系统的容错性，而且其模糊知识库使用语言变量来表述专家的经验, 更接近人的表达习惯。但是它仍然无法克服ES 以下固有缺陷：当系统比较大时完成诊断的速度比较慢；可维护性差；不具备学习能力。

FT 在电网故障诊断中的应用主要是跟其他方法相结合，除ES 外，还同以下方法相结合。文献[12]提出了基于RBFNN 与FT 结合的故障诊断方法，使得蕴含在RBFNN 权重中的知识转变为等值模糊控制系统中用语言表述的规则，使诊断知识易于理解，诊断过程透明，克服了NN 解释能力差的缺点。文献[16]将Petri 网跟FT 相结合，提高了诊断精度，并克服了Petri 网容错性较差的缺点。文献[19]利用模糊理论（模糊外展推理）建立数学模型，然后利用优化方法（Tabu 搜索）进行寻优，有效地提高了故障诊断的容错性。1.5优化方法

基于优化方法(OptimizationMethod) 的电网故障诊断是根据设备、保护、断路器之间的逻辑关系, 首先把电力系统的故障诊断问题表示为0～1整数规划问题, 在此基础上，通过优化算法寻找使构造的目标函数最小(或最大) 的最优解，即找出最能解释故障信息的故障设备和故障类型。

优化型诊断模型的诊断速度快，可求得全局最优解，以及多个可能的解，但它的难点在于：如何根据设备、保护动作、断路器之间的逻辑关系，建立合理的电网故障诊断数学模型。至于构建好数学模型后，可以有多种优化方法来寻优。

以浙江大学文福拴、韩祯祥为代表的学者对基于优化方法的电网故障诊断进行了深入研究，提出了模拟分子进化算法、遗传算法、模拟退火算法、

、

Tabu 搜索算法[1920]。数学模型的构建是优化方法的一个瓶颈，浙江大学的学者们还提出了基于模糊外展推理[19]、简洁覆盖集理论[20]等方法的数学模

型。并且通过以上理论研究，浙江大学跟浙江省电力公司合作开发了基于GA 的大型电网故障诊断系统，并成功应用于浙江省电力调度中心[21]。

由于上述研究比较深入，近几年优化方法的研究主要集中在跟其他方法的结合：文献[15]先通过Petri 网模型的状态转移方程获取所有的故障群及征兆群对子，进而利用GA 求得具有较高适应度的候选诊断解，从而提高了系统的容错性。文献[22]首先应用停电区域快速搜索确定跟故障信息有关的局部电网，然后构造了只在停电区域中识别故障元件的0-1规划新模型；最后用贪婪算法对该故障诊断模型进行求解。

2近几年引入电网故障诊断领域的方法

2.1粗糙集

粗糙集(RoughSet RS) 理论是研究不完整数据及不精确知识的表达、学习、归纳的一套方法，是以对观察和测量数据进行分类为基础，通过对数据进行分析、近似分类、推理数据间的关系，从中发现隐含的知识，揭示潜在的规律。电网发生故障时，由于保护、断路器等的误动、拒动及通信传输的原因，使得送入调度系统的故障信息存在不确定性，难以实现准确快速的故障诊断。而RS 理论在处理不精确问题时，不需要提供待求解问题所需处理的数据集合之外的任何先验信息，且能够在保留关键信息的前提下对数据进行化简并求得知识的最小表达，揭示出信息集合的简单模式，故适用于电网故障诊断[23]。

文献[24]把保护和断路器的动作信息作为对故障分类的条件属性集, 考虑了各种可能发生的故障情况，以此建立决策表，然后实现决策表的自动约简，直接从故障样本集中导出诊断规则。文献[25]在文献[24]的基础上，考虑到实际配电网SCADA 信息的不足，提出了基于故障投诉电话（TC ）信息实现配电网故障诊断的新方法；并实现了计算机自动形成故障诊断决策表，能适应配电网拓扑结构的多变性。文献[26]提出了RS 与二元逻辑运算相结合的属性约简算法以及改进的值约简算法。文献[27]改进了文献[26]中用于属性约简的可辨识矩阵，使其对不相容决策表仍然适用；本文还提出根据加权平均粗糙度的大小对约简后的故障样本进行分层从而建立模型的方法，缩小了诊断模型空间，具有较强的容错能力。

综合上述分析，基于RS 的电网故障诊断具有以下优点[23]：RS 能表达和处理电网故障诊断中普遍存在的不完备甚至不一致的故障信息，能在保留

3

关键信息的前提下对数据进行化简；RS 不需要先验知识；RS 的知识表示采用决策表，类似于关系数据库模型，这为DM 等提供了有力的工具。

但是，基于RS 的电网故障诊断也具有以下问题有待解决：①针对多重故障，决策表将十分庞大，约简困难，甚至发生“组合爆炸”的问题，因此，当电网发生多重故障时的诊断问题，考虑通过与其它诊断方法相结合来解决；②当电网较复杂、庞大时，也将导致决策表的规模变大，约简困难，诊断速度和精度降低，因此，把所有设备的保护、断路器故障信息都作为条件属性，这将是一个不现实的问题，如何将大电网合理分区，然后再用RS 进行故障诊断是一个有待解决的问题。③由RS 的决策表方法产生的规则数目远远大于传统电网故障诊断专家知识库的规则数目，故障诊断进行规则匹配搜索时的快速性和准确性较差；④如何快速应对电网拓扑的改变，例如，可以根据保护动作原理自动生成新决策表，重新计算，更新规则库；或者当电网拓扑变化时，根据新增故障样本，通过增量式学习，计算粗糙隶属度，对原有规则进行修正，即可得出新的规则。⑤一个决策表产生多个约简，每个约简可以导出一个知识库，基于多个知识库进行分类识别可以提高准确性，所以，多知识库的信息融合方法也是值得研究的问题。⑥如何通过RS 处理具有时间序列的保护断路器故障信息。2.2贝叶斯网络

贝叶斯网络（Bayesian Networks BN ）是一种对概率关系的有向图解描述，它结合了数据信息和先验信息，能很好地解释系统的结构和行为；它使用概率理论来处理由不同知识成分之间的条件相关而产生的不确定性，适用于不确定性和不完备对象，运用贝叶斯定理计算出后验概率，可应用于有条件地依赖多种控制因素的决策[30]。

基于BN 的电网故障诊断研究刚刚起步。文献[28]根据元件故障与保护动作和断路器跳闸之间的内在逻辑关系，应用Noisy-Or, Noisy -And 节点模型，建立了面向元件的线路、母线、变压器通用故障诊断模型，并采用误差反向传播的梯度下降法修正网络参数。文献[29]建立了保护、断路器动作信息完备和不完备情况下的分布式BN 模型，文献[30]对此模型进行改进：首先对故障信息进行时序一致性和完备化的预处理，然后建立蕴涵信息时序属性的故障诊断BN 模型。

综上所述，该方法具有以下优点：①诊断模型清晰直观，易于发现数据间的因果关系；②综合了

先验信息和后验信息, 能有效地避免只使用先验信息带来的主观偏见和只使用后验信息带来的噪声的影响；③适合不确定性和不完备信息下进行诊断决策；④有效地提高了诊断精度和速度；⑤适合较大规模电网故障信息的复杂性和不确定性。但该方法还有以下不足：①如何实现复杂电网下的自动建模；②知识更新能力不强；③如何实现信息融合下的故障诊断。2.3数据挖掘

数据挖掘（Dada Mining DM ）是人工智能跟数据库技术相结合的产物，它是指从数据中提取隐含在其中，人们事先未知但又是潜在有用的信息和知识，并将其表示成最终能被人理解的模式的高级过程[31]。

以天津大学廖志伟、孙雅明为代表的学者对基于DM 的电网故障诊断进行了深入研究。在输电网故障诊断方面，文献[32]提出利用基于RS 的DM 模型，其中用GA 的全局寻优能力来求得粗糙集的最佳属性约简。文献[33]根据电力系统发生故障时形成具有时空特征的离散事件序列(sequenceof events —SOE) 信息，提出了基于事件序列DM 原理的故障诊断模型。文献[34]将上述方法应用于配电网故障诊断，分别提出了以下五种DM 故障诊断模型：常规NN 故障诊断模型、常规RS 的故障诊断模型、常规RS 和分布式规则型NN 组合的故障诊断模型、常规RS 和改进结构NN 融合的故障诊断模型以及广义RS 和规则NN 组合的故障诊断模型，以实现不同性质互补性、关联关系、应用机理和原则, 从而使模型的性能得到要求的实用性。

该方法有以下优点：适合处理电网故障诊断中不断膨胀的故障信息；适合大规模电网故障诊断；针对故障信息的不确定性，容错能力强；从海量的故障样本中学习的能力强。2.4信息理论

信息理论(Information Theory )是应用近代数理统计方法研究信息的传输、存储和处理的科学。随着信息科学的崛起和信息技术的不断发展，电力系统逐步被信息化，可以把电网发生故障并引起保护动作、断路器跳闸的过程，描述为故障信息运动的过程，然后用信息论的方法进行故障诊断。

文献[35]在国内首次将基于信息理论的方法应用到电网的故障诊断研究中。研究了电网故障中的信息运动过程，建立了故障诊断的信道模型；基于信息损失最小原理，提出了适用于大规模系统不确定性决策的故障诊断新方法。应用该文方法进行电

4

网故障诊断，能给出各种可能发生的故障组合以及每种故障组合发生的概率。文献[36]更进一步，基于信息理论和信息技术，设计了面向实用化的地区电网辅助决策系统。

基于信息理论的电网故障诊断，具有以下优点：能一定程度解决电网故障过程中存在的不确定性；诊断速度快，能满足大规模电力系统在线故障诊断辅助决策实时性的要求。2.5多代理系统

多代理系统[37]（Multi Agent System ，MAS ）是计算机技术、网络技术和分布式人工智能相结合的产物, 是近年来新兴的计算机软件工程技术之一，是设计和实现复杂软件系统和控制系统的新途径。MAS 是由多个Agent 组成的系统，它一般具有个体行为独立自制、个体信息不完全、能力有限、无全局控制、数据分散化和计算异步等特点。Agent 是指在协同计算环境中持续发挥作用且具有自主性、交互性、反应性和主动性的计算实体，即Agent 是一种能作用于自身和环境并能对环境做出反应的抽象实体。

电网故障诊断中的故障信息的产生(变电站)、故障信息的采集（SCADA、故障录波网）、故障诊断、调度人员的行为都呈分布状态，对其进行完全集中式的求解可能遇到信息不全、通信瓶颈或计算速度等问题；而且，不同的故障诊断方法各有自己的优缺点，如果能同时用几种方法进行诊断，将大大提高系统的诊断的正确率和容错性，因此MAS很适合电网故障诊断；此外，现有故障诊断系统对于电网事件的实时响应性不理想，一般需要做完一次完整的故障分析或判断后方能再去处理新的事件。MAS 能很好解决上述问题，因此适合电网故障诊断。

文献[38]提出了一种基于多Agent 的电力系统实时故障诊断方法和系统结构，根据电力系统实时故障诊断工作的特点和Agent 的技术特征，将电网故障诊断系统划分为：电网接线图生成Agent 、诊断Agent 、知识管理Agent 、任务控制Agent 、诊断任务分解Agent 、实时数据获取Agent 、用户接口Agent 。文献[39]为了实现变电站的远程故障诊断以及增强诊断能力，提出了一种基于Web 的多Agent 诊断方法. 该方法是以架构于Web 上的广域分布式人工智能系统为基础，将分布在不同地域的设备及监控系统、诊断系统与研究者、使用者联系起来, 在系统、人及他们之间快速传递处理设备状况和诊断决策信息，形成一个动态诊断网络.

MAS 的优点有：容易实现模块化设计思想；能够利用并行分布式处理技术提高电网故障诊断的实时性；能够同时利用多种方法实现并行故障诊断，从而使各种方法的优缺点形成互补，提高诊断正确率和系统的容错性；能够将大电网分区后进行分布式故障诊断，从而可以解决大电网故障诊断的难题。

[18][19][20]

[21]

3结束语

本文首先针对电网故障诊断中应用较早的人工智能方法：专家系统、人工神经网络、Petri 网、模糊理论、优化方法，简要概括了它们的优点及存在问题，重点对近几年的研究进展进行了文献评述。然后对近几年引入电网故障诊断领域的方法：粗糙集理论、贝叶斯网络、数据挖掘，信息理论、多代理技术等，进行概念简介、文献述评，分析它们在电网故障诊断中应用的特点以及存在的主要问题。

[22][23][24][25][26][27][28][29][30][31][32][33]

参考文献：

[1][2][3][4][5][6]

毕天姝, 倪以信, 杨奇逊．人工智能技术在输电网络故障诊断中的应用评述[J]．电力系统自动化,2000,24(2):11-16。

毛鹏，许扬，蒋平．输电网故障诊断研究综述及发展[J]．继电器，2005,33(22):79-86．

郭创新，朱传柏，曹一家，吴欣．电力系统故障诊断的研究现状与发展趋势[J]．电力系统自动化, 2006,30(8):98-33．

杜一，张沛超，郁惟镛．基于事例和规则混合推理的变电站故障诊断系统[J]．电网技术，2004,28(1):34-38.

周明，任建文，李庚银，等．基于模糊推理的分布式电力系统故障诊断专家系统[J]．电力系统自动化，2001，25(24)：33-36．Chen Wen-hui, Liu Chih-wen, Tsai Men-shen. Online fault diagnosis of distribution substation using hybrid cause-effect network and fuzzy rule-based method [J].IEEE Transactions on Power Delivery,2000, 15(2):710-717

张东英，钟华兵，杨以涵，等．基于BP 神经网络和专家系统的变电站报警信息处理系统[J]．电力系统自动化，2001，25(9)：45-47．

段炜佳，粗糙集理论与专家系统相结合的电网故障诊断系统的研究，华北电力大学硕士毕业论文，2004，07

方培培，李永丽，杨晓军，Petri 网与专家系统结合的输电网络故障诊断方法，电力系统自动化学报，2005,17(2):26-30..

毕天姝，倪以信，吴复立，等．基于新型神经网络的电网故障诊断方法．中国电机工程学报，2002,22(2):73-79.

毕天姝，严正，文福拴，倪以信等．基于径向基函数神经网络的在线分布式故障诊断系统，电网技术，2001,25(11):27-34.

毕天姝，倪以信，吴复立，等．基于径向基函数神经网络和模糊控制系统的电网故障诊断新方法[J]．中国电机工程学报，2005，25(14)：12-18．

廖志伟，叶青华，王钢，文福拴，基于GRNN 的多故障自适应电力系统故障诊断，华南理工大学学报(自然科学版) ，2005,33(9):6-10

任惠，米增强，赵洪山．基于编码PETRI 网的电力系统故障诊断模型研究．中国电机工程学报，2005,25(20):44-49．

张炳达，马忠坤，陈伟乐，等．基于故障群组合优化的变电站故障诊断[J]．中国电机工程学报，2004，24(3)：135-139．

孙静，秦世引，宋永华．模糊PETRI 网在电力系统故障诊断中的应用[J]．中国电机工程学报，2004，24(9)：74-79．

毕天姝，杨春发，黄少锋，等．基于改进Petri 网模型的电网故障

[34][35][36][37][38][39]

[7]

[8][9][10][11][12]

诊断方法[J]．电网技术，2005，29(21)：52-56．孙静, 秦世引，宋永华．一种基于Petri 网和概率信息的电力系统故障诊断方法[J]．电力系统自动化，2003,27(13):10-15.

文福拴，韩祯祥．基于覆盖集理论和Tabu 搜索方法的电力系统警报处理[J]．电力系统自动化，1997,21(2):18-24．

韩祯祥，钱源平，文福拴．基于模糊外展推理和Tabu 搜索方法的电力系统故障诊断, 清华大学学报(自然科学版) ，1999, 39(3):56-60．

文福拴，韩祯祥，田磊，等．基于遗传算法的电力系统故障诊断的解析模型与方法，第一部分：模型与方法[J]．电力系统及其自动化学报，1998，10(3)：1-7．

孙伟，李林川，卢庆聪，刘侠．基于停电区域的电力系统故障诊断的一种新模型[J]．电网技术，2004，28(5)：30-34。束洪春，孙向飞，余继来．粗糙集理论在电力系统中的应用[J]．电力系统自动化，2004,28(3):90-95．束洪春, 孙向飞, 司大军, 等．基于粗糙集理论的配电网故障诊断研究[J]．中国电机工程学报, 2001, 21(10)：73-82.

束洪春，孙向飞，司大军．基于故障投诉电话信息的配电网故障定位粗糙集方法[J]．电网技术，2004，28(1)：64-66,70．

赵冬梅，韩月，高曙．电网故障诊断的决策表约简新算法[J]．电力系统自动化，2004，28(4)：63-66．

栗然，黎静华，李和明．基于加权平均粗糙度的配电网故障诊断分层模型[J]．电网技术，2006,30(2):61-66．

贾兰英，苏海锋．基于贝叶斯网络的电网故障诊断方法. 华北电力学院学报，2004,31(3):30-34．

吴欣, 郭创新. 基于贝叶斯网络的电力系统故障诊断方法. 电力系统及其自动化学报，2005,17(4):11-15．

吴欣，郭创新，曹一家．基于贝叶斯网络及信息时序属性的电力系统故障诊断方法[J]．中国电机工程学报，2005,25(13):14-18．廖志伟, 孙雅明. 数据挖掘技术及其在电力系统中的应用. 电力系统自动化, 2001,25(11):62-66.

廖志伟，孙雅明．基于数据挖掘模型在高压输电线系统故障诊断中的应用．电力系统自动化, 2001, 25(15):15-19．

廖志伟, 孙雅明. 基于事件序列数据挖掘原理的高压输电线系统故障诊断(一, 二) [J].电力系统自动化,2004, 28(4,5) :22-27; 20-4.

孙雅明，廖志伟．基于不同RS 与NN 组合的数据挖掘配电网故障诊断模型．电力系统自动化,2003,27(6):31-35．

汤磊，孙宏斌，张伯明，等．基于信息理论的电力系统在线故障诊断．中国电机工程学报, 2003, 23(7):5-11.

冯永青，孙宏斌，朱成骥，等．基于信息理论与技术的地区电网辅助决策系统设计．电力系统自动化，2004,28(4):58-62．

束洪春，唐岚，董俊. 多Agent 技术在电力系统中的应用展望. 电网技术，2005,29(6):27-31.

朱永利，卢锦玲，卢敏，王平. 基于Multi-agent 的电网故障诊断系统的研究. 继电器，2006,34(5):1-5.

董海鹰，常弘，白建社，等. 一种基于Web 的多Agent 变电站故障诊断方法研究. 西安交通大学学报，2003,37(6):196-200.

作者简介：

何正友（1970-），男，教授，博士生导师，主要从事信号处理及信息论在电力系统故障诊断中的应用、新型继电保护原理、配网自动化等方向的研究工作；Email:[email protected]

张耀天（1977-），男，硕士研究生，研究方向为牵引供电综合自动化、电网故障诊断技术;Email：[email protected]。

[13]

[14][15][16][17]

5